LabelPropagation

classsklearn.semi_supervised.LabelPropagation(kernel='rbf', *, gamma=20, n_neighbors=7, max_iter=1000, tol=0.001, n_jobs=None)[source]

Классификатор распространения меток.

Подробнее см. в Руководстве пользователя.

Параметры:

kernel{‘knn’, ‘rbf’} или вызываемая функция, по умолчанию=’rbf’

Строковый идентификатор функции ядра или сама функция ядра. Допустимы только строки ‘rbf’ и ‘knn’. Переданная функция должна принимать два входных значения, каждое из которых имеет форму (n_samples, n_features), и возвращать матрицу весов формы (n_samples, n_samples).

gammafloat, по умолчанию=20

Параметр для ядра rbf.

n_neighborsint, по умолчанию=7

Параметр для ядра knn, который должен быть строго положительным.

max_iterint, по умолчанию=1000

Изменение максимального числа разрешенных итераций.

tolfloat, по умолчанию=1e-3

Допуск сходимости: порог для рассмотрения системы в установившемся состоянии.

n_jobsint, по умолчанию=None

Количество параллельных задач. None означает 1, за исключением контекста joblib.parallel_backend. -1 означает использование всех процессоров. См. Словарь для получения дополнительной информации.

Атрибуты:

X_{array-like, sparse matrix} формы (n_samples, n_features)

Входной массив.

classes_массив формы (n_classes,)

Различные метки, используемые для классификации экземпляров.

label_distributions_массив формы (n_samples, n_classes)

Категориальное распределение для каждого элемента.

transduction_массив формы (n_samples)

Метка, назначенная каждому элементу во время fit.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

Названия признаков, увиденные во время fit. Определены только тогда, когда X имеет имена признаков, которые все являются строками.

Добавлен в версии 1.0.

n_iter_int

Количество выполненных итераций.

См. также

LabelSpreading

Альтернативная стратегия распространения меток, более устойчивая к шуму.

Ссылки

Xiaojin Zhu и Zoubin Ghahramani. Обучение по меткам и без меток с помощью распространения меток. Технический отчет CMU-CALD-02-107, Университет Карнеги-Меллона, 2002 http://pages.cs.wisc.edu/~jerryzhu/pub/CMU-CALD-02-107.pdf

Примеры

>>> import numpy as np
>>> from sklearn import datasets
>>> from sklearn.semi_supervised import LabelPropagation
>>> label_prop_model = LabelPropagation()
>>> iris = datasets.load_iris()
>>> rng = np.random.RandomState(42)
>>> random_unlabeled_points = rng.rand(len(iris.target)) < 0.3
>>> labels = np.copy(iris.target)
>>> labels[random_unlabeled_points] = -1
>>> label_prop_model.fit(iris.data, labels)
LabelPropagation(...)

fit(X, y)[source]

Обучение полусверхобучаемой модели распространения меток по X.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features)

Обучающие данные, где n_samples — количество примеров, а n_features — количество признаков.

yarray-like формы (n_samples,)

Значения целевого класса, где неразмеченные точки обозначены как -1. Все неразмеченные образцы будут трандуктивно назначены меткам внутри, которые хранятся в transduction_.

Возвращает:

selfobject

Возвращает экземпляр.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернёт параметры для данного оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:

paramsdict

Названия параметров, сопоставленные с их значениями.

predict(X)[source]

Выполнение индуктивного вывода по модели.

Параметры:

Xarray-like формы (n_samples, n_features)

Матрица данных.

Возвращает:

yмассив формы (n_samples,)

Предсказания для входных данных.

predict_proba(X)[source]

Предсказание вероятности каждого возможного исхода.

Вычисление оценок вероятности для каждого отдельного образца в X и каждого возможного исхода, наблюдаемого во время обучения (категориальное распределение).

Параметры:

Xarray-like формы (n_samples, n_features)

Матрица данных.

Возвращает:

probabilitiesмассив формы (n_samples, n_classes)

Нормализованные распределения вероятностей по меткам классов.

score(X, y, sample_weight=None)[source]

Возвращает среднюю точность на заданных тестовых данных и метках.

В многоклассовой классификации это точность подмножества, которая является жёстким метрикой, так как для каждого образца требуется, чтобы каждый набор меток был предсказан правильно.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые образцы.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные метки для X.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса образцов.

Возвращаемое значение:

scorefloat

Средняя точность self.predict(X) по отношению к y.

set_params(**params)[source]

Устанавливает параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). У последних есть параметры в формате <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращаемое значение:

selfэкземпляр оценщика

Экземпляр оценщика.

set_score_request(*, sample_weight:bool|None|str='$UNCHANGED$') → LabelPropagation[source]

Запрос метаданных, переданных методу score.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, обратитесь к Руководству пользователя, чтобы узнать, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются score при предоставлении. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их score.
• None: метаданные не запрашиваются, и мета-оценщик выведет ошибку, если пользователь их предоставит.
• str: метаданные должны быть переданы мета-оценщику с этим псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для других.

Добавлена в версии 1.3.

Примечание

Этот метод актуален только если этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не имеет эффекта.

Параметры:

sample_weightstr, True, False, или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в score.

Возвращаемое значение:

selfобъект

Обновленный объект.